[Back]

R. Planinc:
"Modeling Sources and Sinks in Crowded Scenes by Clustering Trajectory Points Obtained by Video-based Particle Advection";
Supervisor: M. Gelautz; E188, 2010.

Analysis of real surveillance video footage is very challenging - hence this thesis provides solutions to enhance the quality of trajectories of dense crowded scenes in real-time. An effcient algorithm models dense crowded scenes with the aid of particles, moved by the optical flow calculated between two consecutive frames. Thus trajectories are obtained without using a people tracking algorithm. Sources and sinks are modeled by clustering of start and end points. As dense crowded scenes are analyzed, many trajectories are interrupted thus making the choice of an appropriate clustering algorithm challenging - this thesis provides approaches to enhance the quality of trajectories. Furthermore, it evaluates different clustering algorithms and their practicability in combination with the real-time particle advection algorithm on benchmark data of a Viennese train station and additional data provided by the PETS workshop and the University of Central Florida.

Die vorliegende Diplomarbeit stellt einen Ansatz zur Echtzeit-Analyse von Videoszenen mit dichten Menschenmassen vor. Dazu modelliert ein effizienter Algorithmus die Szene mit Hilfe von Partikeln, welche auf Grund des optischen Flusses zwischen zwei aufeinanderfolgenden Videoframes bewegt werden. Dadurch können Trajektorien ohne den Einsatz eines Tracking-Algorithmus gewonnen werden. Die Modellierung von interessanten Teilbereichen der Szene erfolgt in einem anschließenden Schritt.

Da es sich bei den Überwachungsvideos um Szenen mit dichten Menschenmengen handelt, sind viele Trajektorien unterbrochen und stellen so eine große Herausforderung für die richtige Wahl eines Clustering-Algorithmus dar - diese Arbeit stellt Lösungsansätze vor, um die Qualität der Trajektorien zu erhöhen. Zur Modellierung von Quellen und Senken werden einige bekannte Clustering Algorithmen und deren Anwendung für Überwachungsvideos in Kombination mit dem entwickelten Echtzeit Partikel Advektionsalgorithmus evaluiert, wobei für die Evaluierung Videos einer Wiener Bahnhofshalle und des PETS Workshops, als auch Videos der Universität von Florida verwendet wurden.

computer vision, tracking, particles